最近，从诸如互联网或YouTube之类的各种媒体获取语音数据变得更加容易，但是直接利用它们来训练神经文本语音转换（TTS）模型却变得困难。干净语音的比例不足，其余包括背景音乐。即使具有全局样式标记（GST）。因此，我们提出以下方法来成功地训练具有有限广播数据的端到端TTS模型。首先，通过引入音乐过滤器将背景音乐从语音中删除。其次，使用过滤后的语音和少量干净语音训练带有辅助质量分类器的GST-TTS模型。特别地，质量分类器使GST层的嵌入矢量集中于表示输入语音的语音质量（已过滤或纯净）。



"点击查看英文标题和摘要"